Caffe crop

다음은 간단한 예로 소개합니다.
[python] view plain
copy
print ?
layer {  
  name: ”data”  
  type: ”Data”  
  top: ”data”  
  top: ”label”  
  include {  
    phase: TRAIN  
  }  
  transform_param {  
    mirror: true  
    crop_size: 600  
    mean_file: ”examples/images/imagenet_mean.binaryproto”  
  }  
  data_param {  
    source: ”examples/images/train_lmdb”  
    batch_size: 256  
    backend: LMDB  
  }  
}  
layer {  
  name: ”data”  
  type: ”Data”  
  top: ”data”  
  top: ”label”  
  include {  
    phase: TEST  
  }  
  transform_param {  
    mirror: false  
    crop_size: 600  
    mean_file: ”examples/images/imagenet_mean.binaryproto”  
  }  
  data_param {  
    source: ”examples/images/val_lmdb”  
    batch_size: 50  
    backend: LMDB  
  }  
}  

layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 600
    mean_file: "examples/images/imagenet_mean.binaryproto"
  }
  data_param {
    source: "examples/images/train_lmdb"
    batch_size: 256
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 600
    mean_file: "examples/images/imagenet_mean.binaryproto"
  }
  data_param {
    source: "examples/images/val_lmdb"
    batch_size: 50
    backend: LMDB
  }
}

위의 데이터층의 정의에서 거울과crop 을 사용한 것을 알 수 있다size, mean 도 정의했습니다file.
crop을 이용하여사이즈 이런 방식은 중심의 관심점과 모서리 특징을 잘라낼 수 있고mirror는 거울을 만들어 작은 데이터 집합의 부족함을 보완할 수 있다.
여기서 크랩에 대해서 중점을 두고크기 훈련층과 테스트층의 차이점:
우선 Mean 에 대해 알아야 합니다.file 및 crop사이즈는 상관없어요.mean_file는 훈련집 사진에 따라 제작된,crop사이즈는 트레이닝 세트 이미지를 재단하는 것으로 두 가지 모두 원시적인 트레이닝 세트 이미지를 처리한다.원본 트레이닝 이미지의 크기가 800*800이면cropsize 이미지가 600*600이면 meanfile 및 cropsize의 그림은 모두 800*800의 그림집입니다.
카페에서 crop 을 정의했다면size, 그럼train에서crop보다 크게크기의 그림은 무작위로 편집되며 테스트에서 중간 부분만 캡처합니다 (자세한 내용은/caffe/src/caffe/data transformer.cpp 참조):
[python] view plain
copy
print ?
//We only do random crop when we do training.  
    if (phase_ == TRAIN) {  
      h_off = Rand(datum_height - crop_size + 1);  
      w_off = Rand(datum_width - crop_size + 1);  
    } else {  
      h_off = (datum_height - crop_size) / 2;  
      w_off = (datum_width - crop_size) / 2;  
    }  
  }  

//We only do random crop when we do training.
    if (phase_ == TRAIN) {
      h_off = Rand(datum_height - crop_size + 1);
      w_off = Rand(datum_width - crop_size + 1);
    } else {
      h_off = (datum_height - crop_size) / 2;
      w_off = (datum_width - crop_size) / 2;
    }
  }

상기 코드에서 보듯이 우리가 입력한 그림의 크기가crop 보다 크면사이즈, 그럼 그림이 잘려요.phase 모드가 TRAIN일 경우 트림은 무작위로 트림되지만 TEST 모드일 때는 이미지의 중간 영역만 트림됩니다.

다음은 내가 인터넷에서 찾은 내가 그림을 재단하는 프로그램이다.
제공된 웹 주소와 함께 자세히 볼 수 있습니다.http://blog.csdn.NET/u011762313/article/details/48343799
우리는 수동으로 그림을 재단하여pycaffe에 가져올 수 있으며 식별률을 높일 수 있다(pycaffe는caffemodel을 이용하여 분류할 수 있다: 이 단계는 다음과 같다).
[python] view plain
copy
print ?
#분류확률분포기록pridects = np.zeros((1, CLASS_NUM))  
  
# 이미지 차원(두께, 폭)img_shape = np.array(img.shape)  
# 자르기 크기(H, W)crop_dims = (32, 96)  
crop_dims = np.array(crop_dims)  
# 여기에 사용된 그림의 높이는 모두 32로 고정되며, 길이는 96으로 가변적이다.
# 자르기 시작 0, 끝 wrange  
w_range = img_shape[1] - crop_dims[1]  
#왼쪽에서 오른쪽으로 한 번 자르고 오른쪽에서 왼쪽으로 한 번 자르면 보폭은 96/4=24for k in range(0, w_range + 1, crop_dims[1] / 4) + range(w_range, 1, -crop_dims[1] / 4):  
# 이미지 자르기    crop_img = img[:, k:k + crop_dims[1], :]  
# 데이터 입력, 사전 처리    net.blobs[’data’].data[…] = transformer.preprocess(‘data’, crop_img)  
# 전방향 교체, 즉 분류    out = net.forward()  
# 분류마다 확률 분포 중첩    pridects += out[’prob’]  
  
# 가장 큰 확률로 최종 결과 분포pridect = pridects.argmax()  

# 
pridects = np.zeros((1, CLASS_NUM))

# 이미지 차원(높음, 넓이)imgshape = np.array(img.shape) #자르기의 크기(높음, 넓이) cropdims = (32, 96) crop_dims = np.array(crop dims)# 여기에 사용된 그림의 높이는 모두 32로 고정되어 있으며 길이는 변할 수 있습니다. 최소 96# 재단 기점은 0이고 끝점은 w 입니다.range w_range = img_shape[1] - crop_dims[1] # 왼쪽에서 오른쪽으로 한 번 자르고 오른쪽에서 왼쪽으로 한 번 자르면 96/4=24 for k in range(0, w range + 1, crop dims[1]/4) + range(w range, 1, -crop dims[1]/4): # 이미지 커팅 cropimg = img[:,k:k + crop dims[1],:] # 데이터 입력, 사전 처리 net.blobs['data'].data[...] = transformer.preprocess('data', crop img) # 전방향 교체, 즉 분류out = net.forward () # 매번 분류, 확률 분포 중첩pridects + = out ['prob'] # 최대 확률 분포 최종 결과pridect = pridects.argmax()

caffe에서 샘플링 방법 제공(oversample), 자세한 내용은/caffe/python/caffe/io.py, 재단한 것은 그림의 중앙, 4개의 각과 거울 총 10장의 그림이다.

주: 그림이 너무 크면,
적당히 줄여야 하는batch크기 값입니다. 그렇지 않으면 GPU를 사용할 때 캐시 크기를 초과하여 오류가 발생할 수 있습니다.